一.爬虫的介绍
1.爬虫:
通过编写程序模拟浏览器上网,让其去互联网上抓取数据的过程。
(将互联网比作一张蜘蛛网,那一台计算机上的数据便是蜘蛛网上的一个猎物,而爬虫程序就是一只蜘蛛沿着蜘蛛网抓取自己想要的‘猎物’)
2.爬虫的作用:
爬虫一般用于数据采集、软件测试、网络安全、网页漏洞扫描、抢票等。
二.爬虫的分类
1.通用爬虫:
通用爬虫是搜索引擎(Baidu、Google、Yahoo等)“抓取系统”的重要组成部分。主要目的是将互联网上的网页下载到本地,形成一个互联网内容的镜像备份。 简单来讲就是尽可能的,把互联网上的所有的网页下载下来,放到本地服务器里形成备分,在对这些网页做相关处理(提取关键字、去掉广告),最后提供一个用户检索接口。
2.聚焦爬虫:
聚焦爬虫是根据指定的需求抓取网络上指定的数据。例如:获取豆瓣上电影的名称和影评,而不是获取整张页面中所有的数据值。
3.增量式爬虫:
增量式是用来检测网站数据更新的情况,且可以将网站更新的数据进行爬取。
三.爬虫的基本步骤
1.发起请求
发起一个带有header、请求参数等信息的Request,等待服务器响应。
2.获取响应的内容
服务器正常响应后,Response的内容即包含所有页面内容(可以是HTML、JSON字符串、二进制数据(图片、视频)等等)。
3.解析内容
得到的内容可能是HTML,可以用正则表达式,页面解析库进行解析;可能是Json字符串,可以直接转换为Json对象解析,可能是二进制数据,可以做保存或者进一步的处理。
4.保存数据
存储形式多样,可以存为文本,也可以存储到数据库,或者存为特定格式的文件。
四.网页参数传递
(以豆瓣电影网为例)
1.pip安装
(pip install requests)
使用pip安装requests库(requests库是用Python语言编写,用于访问网络资源的第三方库,它基于urllib,但比urllib更加简单、方便和人性化。通过requests库可以帮助实现自动爬取HTML网页页面以及模拟人类访问服务器自动提交网络请求。)
2.导入requests包
(import requests)
用于发起请求。请求的发起是使用 http 库向目标站点发起请求,即发送一个Request。Request 对象是从客户端向服务器发出请求,包括用户提交的信息以及客户端的一些信息。客户端可通过 HTML 表单或在网页地址后面提供参数的方法提交数据。Request对象的作用是与客户端交互,收集客户端的 Form、Cookies、超链接,或者收集服务器端的环境变量。
3.添加请求头
(header={"User-Agent":“xxx"})
请求头: User-agent:请求头中如果没有 user-agent 客户端配置,服务端可能将你当做一个非法用户,一般做爬虫都会加上请求头。它告诉服务器,我的设备/浏览器是什么?我从哪个页面而来。
ps:如果f12进入开发者工具没有找到数据,可以ctrl+R进行刷新。
4.添加该网页网址
(movie_url = 'https://www.douban.com/')
请求访问的url地址。url全称统一资源定位符,一个网页文档、一张图片、 一个视频等都可以用url唯一来确定。
5.拼接搜索功能
(url=movie_url+'search?')
URL的查询字符串(query string)传递某种数据。如果你是手工构建URL,也就是通过拼接字符串构造的URL。那么数据会以键/值对的形式置于URL中,跟在一个问号的后面。
6.定义需要传递的参数
(data={'q':'奥本海默'})
进行搜索的话一般就是需要搜索的关键词
注意有时候关键字的代码不一定是"q",也有可能是其他的。
7.设置请求方式和请求头,以及传递参数
(response=requests.get(url,headers=header,params=data))
请求响应,获取内容。requests模块发送请求时,有两种携带参数的方法,params 和data。
其中,params在get请求中使用,data在post请求中使用。
params参数作用
对url地址中的查询参数进行编码拼接。
手动构建url地址时,数据会以键值对的形式置于url中,跟在"?"的后面,它可以让我们带着参数来请求数据:我想要第几页?我想要搜索的关键词?我想要多少个数据?等等。
8.打印请求地址
(print(response.url))
源代码
import requests
header={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36 Edg/116.0.1938.81"}
movie_url = 'https://www.douban.com/'
url=movie_url+'search?'
data={'q':'奥本海默'}
response=requests.get(url,headers=header,params=data)
print(response.url)
参考的原文链接: